KR102360727B1 - 뉴럴 네트워크를 이용한 차량 추천 방법 및 장치 - Google Patents

Abstract

차량 추천 방법 및 장치가 제공된다. 일 실시예에 따른 차량 추천 방법에서, 사용자 단말기에는 차량 추천 서비스를 제공하는 어플리케이션이 설치되고, 상기 사용자 단말기에 의해, 상기 어플리케이션의 사용자 계정을 기초로 서버와 통신 세션을 수립하는 동작; 상기 서버에 의해, 상기 사용자 단말기로부터 수신한 제1 경향 파라미터를 선택하는 제1 선택 입력에 대응하여 차량 추천 모델을 이용하여 차량을 추천하고, 상기 추천된 차량에 대응하는 피드백 데이터를 수신하는 동작; 상기 서버에 의해, 상기 제1 경향 파라미터 및 상기 피드백 데이터를 이용하여 상기 차량 추천 모델의 출력 레이어에 포함된 상기 경향 파라미터에 대응하는 기준 벡터를 갱신하는 동작; 상기 서버에 의해, 상기 어플리케이션의 제2 경향 파라미터를 선택하는 제2 선택 입력에 대응하여 상기 사용자 계정의 평균 경향 데이터 및 상기 제2 경향 파라미터를 기초로 차량 추천 모델을 이용하여 차량을 추천하는 동작을 포함할 수 있다.

Description

뉴럴 네트워크를 이용한 차량 추천 방법 및 장치{METHOD AND APPARATUS FOR GARMET SUGGESTION USING NEURAL NETWORKS}

본 발명의 실시예들은 차량의 추천 기술에 관한 것으로, 사용자의 리스 경향에 맞는 차량을 추천하는 기술에 관한 것이다.

자동차 리스는 말그대로 자동차를 리스료를 내며 빌려 타는 방식이다. 개념적으로는 장기렌터카나 캐피탈업체의 중간 정도로 볼 수 있다. 차량은 리스사가 제조사로부터 사용자 대신 구입해서 다달이 일정 요금(리스료 + 이자)을 받는 대가로 사용자가 몰고 다닐 수 있도록 제공해 주는 금융 상품이며, 자동차의 소유자는 리스회사이지 사용자가 아니다. 다른 사람이 대신 차를 구매하게 시키고, 사용자는 일정 금액을 지불하며 그 차를 빌려 타고 다니는 방식이 된다.

리스 성향에 따라 다양한 차량을 제공하는 서비스가 있지만, 어느 정도를 공격적인 리스 성향으로 판단할지 또는 어느 정도를 보수적인 리스 성향으로 판단할지는 개인별로 다를 수 있다.

실시예들은, 사용자의 리스 성향에 적응된 차량을 추천함으로써 차량 리스의 편의성을 높이는 시스템을 제공할 수 있다.

실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.

일 실시예에 따른 차량 추천 방법은, 사용자 단말기에는 차량 추천 서비스를 제공하는 어플리케이션이 설치되고, 상기 사용자 단말기에 의해, 상기 어플리케이션의 사용자 계정을 기초로 서버와 통신 세션을 수립하는 동작; 상기 서버에 의해, 상기 사용자 단말기로부터 수신한 제1 경향 파라미터를 선택하는 제1 선택 입력에 대응하여 차량 추천 모델을 이용하여 차량을 추천하고, 상기 추천된 차량에 대응하는 피드백 데이터를 수신하는 동작; 상기 서버에 의해, 상기 제1 경향 파라미터 및 상기 피드백 데이터를 이용하여 상기 차량 추천 모델의 출력 레이어에 포함된 상기 경향 파라미터에 대응하는 기준 벡터를 갱신하는 동작; 상기 서버에 의해, 상기 어플리케이션의 제2 경향 파라미터를 선택하는 제2 선택 입력에 대응하여 상기 사용자 계정의 평균 경향 데이터 및 상기 제2 경향 파라미터를 기초로 차량 추천 모델을 이용하여 차량을 추천하는 동작을 포함할 수 있다.

상기 차량 추천 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고, 복수의 평균 경향 데이터, 복수의 후보 경향 데이터, 복수의 경향 파라미터 및 각 조합에 대응하는 정답 후보 경향 데이터로 구성된 학습 데이터는 상기 차량 추천 모델의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 차량 추천 모델의 파라미터는 상기 손실값이 작아지는 방향으로 학습되고,

[수학식]

상기 손실 함수는 상기 수학식을 따르고,

상기 수학식에서, N은 상기 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 상기 출력 벡터를 의미하고, E는 손실값을 의미할 수 있다.

상기 평균 경향 데이터는 복수의 분석 파라미터 각각에 대응하는 분석 특징으로 구성되고, 상기 후보 경향 데이터는 복수의 분석 파라미터 각각에 대응하는 후보 특징으로 구성될 수 있다.

상기 차량을 추천하는 동작은, 상기 평균 경향 데이터를 전처리하여 복수의 후보 경향 데이터 각각에 대응하는 결합 벡터를 출력하는 동작; 상기 복수의 결합 벡터를 상기 차량 추천 모델에 입력하여 각각의 후보 경향 데이터에 대응하는 특징 벡터를 출력하고, 상기 차량 추천 모델의 출력 레이어에 포함된 복수의 기준 벡터 각각과 상기 각각의 특징 벡터를 비교하는 동작; 및 상기 복수의 후보 경향 데이터에 대응하는 특징 벡터 중에서, 상기 제2 선택 입력에 대응하는 상기 제2 경향 파라미터에 대응하는 기준 벡터에 가장 가까운 특징 벡터를 출력하는 동작을 포함할 수 있다.

상기 차량을 추천하는 동작은, 상기 제2 경향 파라미터에 대응하는 기준 벡터와 상기 제2 경향 파라미터에 대응하는 기준 벡터에 가장 가까운 특징 벡터 간의 차이 벡터를 계산하는 동작; 상기 차이 벡터가 임계 기준을 만족하는지 여부를 판단하는 동작; 및 상기 차이 벡터가 임계 기준을 만족하는 경우, 상기 제2 경향 파라미터에 대응하는 기준 벡터에 가장 가까운 특징 벡터에 대응하는 후보 경향 데이터를 출력하는 동작을 더 포함할 수 있다.

상기 차량을 추천하는 동작은, 상기 출력된 후보 경향 데이터에 대응하는 차량을 결정하는 동작을 더 포함할 수 있다.

상기 차량 추천 모델을 이용하여 복수의 학습 데이터 중의 제1 기준에 속하는 학습 데이터로부터 학습 특징 벡터가 획득되고, 상기 차량 추천 모델을 이용하여 상기 제1 기준과 상이한 기준의 기준 벡터 각각과 상기 학습 특징 벡터 간의 레지듀얼이 획득되고, 상기 제1 기준의 제1 기준 벡터와 제2 기준의 제2 기준 벡터 간의 기준 레지듀얼 및 상기 제1 기준 벡터와 상기 학습 특징 벡터 간의 특징 레지듀얼을 기초로 고강도 학습 파라미터가 계산되고, 상기 특징 레지듀얼에 상기 고강도 학습 파라미터가 적용된 레지듀얼 및 상기 제1 기준과 상이한 기준의 기준 벡터 각각과 상기 학습 특징 벡터 간의 레지듀얼을 포함하는 손실 함수를 통해 손실값이 계산되고, 상기 손실값을 기초로 상기 차량 추천 모델의 파라미터 또는 상기 하나 이상의 기준 벡터가 학습될 수 있다.

실시예들에 따르면, 사용자의 리스 성향에 적응된 차량을 추천함으로써 차량 리스의 편의성을 높일 수 제공할 수 있다.

실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.

실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 차량 추천 시스템의 전체 구성을 나타내는 도면이다.
도 4는 일 실시예에 따른 차량 추천 방법의 동작을 도시한 흐름도이다.
도 5는 일 실시예에 따른 차량 추천 방법의 동작의 예시를 도시한 흐름도이다.
도 6은 일 실시예에 따른 차량 추천 모델의 구조 및 학습 과정을 도시한 도면이다.
도 7은 일 실시예에 따른 차량 추천 방법을 수행하는 서버의 구성을 도시한 도면이다.

이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.

도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.

이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.

또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.

도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.

도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.

프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.

보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.

메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.

프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.

입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.

음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.

디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.

오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.

센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.

인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.

연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.

햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.

카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.

전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.

배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.

통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.

무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.

안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.

다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.

상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.

일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.

서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 왑 서버(WAP Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Visual Basic, Visual C 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 도스(DOS), 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 웹사이트(Website), IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH등이 이용될 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.

제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.

데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.

도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.

도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.

운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.

미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.

어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.

데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.

시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.

어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.

장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.

본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.

뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.

도 3은 일 실시예에 따른 차량 추천 시스템의 전체 구성을 나타내는 도면이다.

일 실시예에 따르면, 차량 추천 시스템(300)은 렌트 차량 또는 리스 차량을 사용자에게 추천할 수 있다. 차량 추천 시스템(300)은 사용자의 렌트 또는 리스 기록을 기초로 사용자의 렌트 또는 리스 차량의 평균적인 선호도 분석할 수 있다. 차량 추천 시스템(300)은 렌트 차량 또는 리스 차량을 다양한 파라미터로 분석하고 분석 결과를 기초로 사용자에게 알맞은 차량을 추천할 수 있다.

이를 위하여, 도 3을 참조하면, 포트폴리오 분석 시스템(300)은 서버(310)(예: 도 1의 서버(108)), 데이터베이스(311), 네트워크(340) 및 사용자 단말기(320)(예: 도 1의 전자 장치(100)를 포함할 수 있다. 포트폴리오 분석 시스템(300)은 네트워크(340)(예: 도 1의 제1 네트워크(198))를 통하여 외부의 서버(331)와 통신할 수 있다.

사용자 단말기(320)에는 차량 대여 방식의 선택 메뉴 및 복수의 차량에 대한 선택 메뉴를 포함하는 어플리케이션이 설치될 수 있다. 차량 대여 방식의 선택 메뉴는 차량을 리스할지 또는 렌트할지 여부를 선택하는 메뉴이다. 복수의 차량에 대한 선택 메뉴는 차량 대여 방식에 따라 선택 가능한 복수의 차량에 대한 선택 입력을 수신하는 메뉴이다.

서버(310)는 복수의 분석 파라미터를 기초로 차량 분석 모델을 이용하여 각각의 차량을 분석할 수 있다. 분석 파라미터는 차량을 평가하기 위해 고려되는 평가 지표를 의미할 수 있다. 서버(310)는 미리 설정된 복수의 분석 파라미터를 데이터베이스로부터 로딩할 수 있다. 서버(310)는 복수의 분석 파라미터 중에서 현재 분석에 사용될 분석 파라미터를 결정할 수 있다. 분석 파라미터는, 예를 들어, 차종, 연식, 주행거리, 색상, 옵션, 렌트 또는 리스 비용, 렌트 또는 리스 가능 기간, 기간 만료 후의 구매 가격, 관리 상태, 만족도 등을 포함할 수 있다. 여기서, 관리 상태 및 만족도는 사용자의 피드백을 통해 점수화될 수 있다.

서버(310)는 복수의 분석 파라미터 중에서 현재 분석에 사용될 분석 파라미터를 결정하기 위하여 차량 분석 모델은 복수의 분석 파라미터 각각에 대해 가중치를 할당할 수 있다. 차량 분석 모델은 하나 이상의 조합의 분석 파라미터 각각에 대하여 복수의 경향 파라미터에 대응하는 후보 경향 데이터를 출력할 수 있다. 차량 분석 모델은 출력된 결과를 기초로 경향 파라미터에 가장 적합한 후보 경향 데이터를 도출할 수 있는 분석 파라미터의 가중치를 증가시키고 결과에 영향이 적은 분석 파라미터의 가중치를 감소시킬 수 있다. 서버(310)는 임계값 이상의 가중치를 가지는 분석 파라미터의 종류와 수를 도출할 수 있다.

서버(310)는 사용자 계정의 평균 경향 데이터를 획득할 수 있다. 평균 경향 데이터는 사용자 계정의 투자 이력으로부터 도출되는 평균적인 차량 선택 성향을 나타내는 데이터를 의미할 수 있다. 장기간의 시간 구간 동안 사용자 계정의 렌트 또는 리스 이력에 포함된 사용자의 차량 선택 경향을 반영할 수 있다. 서버(310)는 이러한 분석 결과를 이용하여 사용자 계정의 평균 경향 데이터를 획득할 수 있다. 서버(310)는 복수의 분석 파라미터를 기초로 복수의 차량 각각의 조건을 분석할 수 있다. 후보 경향 데이터는 사용자 계정과 무관하게 수집된 복수의 차량 선택 이력으로부터 분류된 복수의 차량 선택 성향 각각을 대표하는 데이터를 의미할 수 있다. 서버(310)는 사용자 계정의 평균 경향 데이터 및 복수의 후보 경향 데이터를 데이터베이스에 저장할 수 있다.

일 실시예에 따르면, 사용자 단말기(320)는 하나 이상의 경향 파라미터를 표시할 수 있다. 사용자는 표시된 경향 파라미터 중에서 어느 하나의 경향 파라미터를 선택할 수 있다. 여기서, 경향 파라미터는 사용자 계정의 평균 경향 데이터에 대한 상대적인 차량 선택 성향을 나타내는 파라미터를 의미할 수 있다. 예를 들어, 제1 경향 파라미터는 사용자 계정의 평균 경향 데이터보다 연식은 1년 낮고, 주행거리는 10000 km 높고, 렌트 또는 리스 비용은 1000만원 낮고, 관리 상태는 1등급 높은 성향을 나타낼 수 있다. 제2 경향 파라미터는 사용자 계정의 평균 경향 데이터보다 연식은 1년 높고, 주행거리는 10000 km 낮고, 렌트 또는 리스 비용은 1000만원 높고, 관리 상태는 1등급 낮은 성향을 나타낼 수 있다.

사용자 단말기(320)는 어플리케이션의 사용자 계정을 기초로 서버와 통신 세션을 수립할 수 있다. 서버(310)는 통신 세션을 이용하여 사용자 단말기(320)로부터 제1 선택 입력을 수신할 수 있다. 여기서, 제1 선택 입력은 제1 경향 파라미터를 선택하는 입력을 의미할 수 있다. 서버(310)는 사용자 단말기(320)로부터 수신한 제1 선택 입력에 대응하는 제1 경향 파라미터에 대응하여 차량 추천 모델을 이용하여 차량을 추천할 수 있다.

사용자 단말기(320)는 추천된 차량을 디스플레이로 표시할 수 있다. 사용자는 표시된 차량이 본인이 예측한 차량의 조건에 부합하는지 여부를 판단하여 피드백을 입력할 수 있다. 사용자 단말기(320)는 입력된 피드백을 기초로 피드백 데이터를 생성할 수 있다. 예를 들어, 피드백 데이터는 분석 파라미터 별로 사용자의 기대치에 부합하는 정도에 따라 점수화된 데이터일 수 있다.

서버(310)는 추천된 차량에 대응하는 피드백 데이터를 사용자 단말기(320)로부터 수신할 수 있다. 서버(310)는 제1 경향 파라미터 및 피드백 데이터를 이용하여 차량 추천 모델의 출력 레이어에 포함된 제1 경향 파라미터에 대응하는 기준 벡터를 갱신할 수 있다. 여기서, 기준 벡터는 사용자 정의된 차량 선택 경향성으로 정의될 수 있다. 기준 벡터는 후보 경향 파라미터가 반영된 후보 경향 데이터 및 사용자 계정의 평균 경향 데이터 간의 평균적인 차이를 나타낼 수 있다. 기준 벡터는 차량 추천 모델의 출력 레이어에 포함되며, 일반적인 경향성을 사용자에게 적응시킨 벡터로서, 사용자의 복수의 학습 데이터를 통해 사용자가 원하는 상대적인 서비스의 사용자 정의된 벡터일 수 있다.

예를 들어, 제1 경향 파라미터가 고품질 고가격을 나타내고, 제2 경향 파라미터가 저품질 저가격을 나타낼 경우, 고품질 고가격 및 저품질 저가격은 사용자 마다 느끼는 바가 다르다. 이에, 사용자가 일반적으로 선택하는 차종의 품질 및 가격을 통계화한 평균 경향 데이터를 구하고, 사용자가 제1 경향 파라미터로서 선택한 차량들에 대한 후보 경향 데이터를 구한 후에, 평균 경향 데이터와 후보 경향 데이터 간의 차이를 통계화하여 도출되는 기준 벡터는 '고품질 고가격'의 사용자 정의된 버전으로 이해될 수 있다.

일 실시예에 따르면, 서버(310)는 어플리케이션의 제2 경향 파라미터를 선택하는 제2 선택 입력에 대응하여 사용자 계정의 평균 경향 데이터 및 제2 경향 파라미터를 기초로 차량 추천 모델을 이용하여 차량을 추천할 수 있다. 여기서, 제1 경향 파라미터는 기준 벡터를 갱신하는데 사용되고, 제2 경향 파라미터는 기준 벡터의 갱신 후에 선택되는 파라미터로서, 양자는 동일할 수도 있고 상이할 수도 있다.

평균 경향 데이터는 복수의 분석 파라미터 각각에 대응하는 분석 특징으로 구성되고, 후보 경향 데이터는 복수의 분석 파라미터 각각에 대응하는 후보 특징으로 구성될 수 있다. 예를 들어, 평균 경향 데이터 및 후보 경향 데이터는 분석 파라미터 각각에 대한 특징 값을 엘레먼트로서 가지는 벡터일 수 있다. 분석 파라미터 각각에 대한 특징 값은 선택된 개별 종목과 비교 종목 간의 상대적인 점수일 수 있다.

차량 추천 모델을 이용하기 위하여, 서버(310)는 평균 경향 데이터를 전처리하여 복수의 후보 경향 데이터 각각에 대응하는 결합 벡터를 출력할 수 있다. 서버(310)는 복수의 결합 벡터를 차량 추천 모델에 입력하여 각각의 후보 경향 데이터에 대응하는 특징 벡터를 출력하고, 차량 추천 모델의 출력 레이어에 포함된 복수의 기준 벡터 각각과 각각의 특징 벡터를 비교할 수 있다.

예를 들어, 차량 추천 모델 내부에서, 결합 벡터를 구성하는 평균 경향 데이터의 전처리 벡터 및 후보 경향 데이터의 전처리 벡터는 각각의 엘레먼트 별로 차감되어 변위 벡터가 도출될 수 있다. 변위 벡터는 가중치를 기초로 선택된 분석 파라미터에 대하여 상호 대응하는 엘레먼트 별로 평균 경향 데이터의 전처리 벡터 및 후보 경향 데이터의 전처리 벡터 간의 차이를 나타내는 벡터일 수 있다. 변위 벡터는 차량 추천 모델 내부의 히든 레이어를 거쳐 특징 벡터로 변환될 수 있다.

특징 벡터는 각각의 기준 벡터와 비교될 수 있다. 서버(310)는 복수의 후보 경향 데이터에 대응하는 특징 벡터 중에서, 제2 선택 입력에 대응하는 경향 파라미터에 대응하는 기준 벡터에 가장 가까운 특징 벡터를 출력할 수 있다.

서버(310)는 경향 파라미터에 대응하는 기준 벡터에 가장 가까운 특징 벡터의 유효성을 평가할 수 있다. 이를 위하여, 서버(310)는 경향 파라미터에 대응하는 기준 벡터와 경향 파라미터에 대응하는 기준 벡터에 가장 가까운 특징 벡터 간의 차이 벡터를 계산할 수 있다. 서버(310)는 차이 벡터가 임계 기준을 만족하는지 여부를 판단할 수 있다. 차이 벡터가 임계 기준을 만족하는 경우, 서버(310)는 경향 파라미터에 대응하는 기준 벡터에 가장 가까운 특징 벡터에 대응하는 후보 경향 데이터를 출력할 수 있다. 서버(310)는 유효성 평가를 통과한 특징 벡터에 대응하는 후보 경향 데이터에 대응하는 차량을 추천할 수 있다.

차량 추천 모델은 뉴럴 네트워크로 구성될 수 있다. 차량 추천 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 학습 장치는 복수의 학습 데이터를 통하여 차량 추천 모델을 학습시킬 수 있다. 여기서, 각각의 학습 데이터는 복수의 평균 경향 데이터, 복수의 후보 경향 데이터, 복수의 경향 파라미터 및 각 조합에 대응하는 정답 후보 경향 데이터로 구성될 수 있다.

각각의 학습 데이터는 차량 추천 모델의 입력 레이어에 입력되어 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터가 출력될 수 있다. 출력 벡터는 출력 레이어에 연결된 손실함수 레이어에 입력되고, 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력할 수 있다. 차량 추천 모델의 파라미터는 손실값이 작아지는 방향으로 학습될 수 있다.

손실 함수는 수학식 1을 따를 수 있다. 수학식에서, N은 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 출력 벡터를 의미하고, E는 손실값을 의미할 수 있다.

예를 들어, 기준 벡터를 학습시키기 위한 학습 데이터는 수학식 2를 기초로 먼저 필터링될 수 있다. 수학식 2에서, RP는 복수의 선택된 분석 파라미터를 나타낼 수 있다. n은 자연수로서 RP의 수를 의미할 수 있다. an는 상호 대응하는 분석 파라미터에 대한 평균 경향 데이터의 전처리 벡터 및 후보 경향 데이터의 전처리 벡터 간의 변위 벡터의 크기를 의미할 수 있다. 학습 장치는 eLL을 임계값과 비교하여, 임계값보다 작은 eLL을 가지는 학습 데이터를 기준 벡터의 학습에 사용될 학습 데이터로서 필터링할 수 있다.

차량 추천 모델을 이용하여 복수의 학습 데이터 중의 제1 기준에 속하는 학습 데이터로부터 학습 특징 벡터가 획득되고, 차량 추천 모델을 이용하여 제1 기준과 상이한 기준의 기준 벡터 각각과 학습 특징 벡터 간의 레지듀얼이 획득되고, 제1 기준의 제1 기준 벡터와 제2 기준의 제2 기준 벡터 간의 기준 레지듀얼 및 제1 기준 벡터와 학습 특징 벡터 간의 특징 레지듀얼을 기초로 고강도 학습 파라미터가 계산되고, 특징 레지듀얼에 고강도 학습 파라미터가 적용된 레지듀얼 및 제1 기준과 상이한 기준의 기준 벡터 각각과 학습 특징 벡터 간의 레지듀얼을 포함하는 손실 함수를 통해 손실값이 계산되고, 손실값을 기초로 차량 추천 모델의 파라미터 또는 하나 이상의 기준 벡터가 학습될 수 있다.

차량 추천 모델을 이용하여 복수의 학습 데이터 중의 제1 기준에 속하는 학습 데이터로부터 학습 특징 벡터가 획득될 수 있다. 여기서, 기준은 분류 대상을 의미하며, 예를 들어, 특정한 경향의 투자 성향을 포함할 수 있다. 차량 추천 모델을 이용하여 제1 기준과 상이한 기준의 기준 벡터 각각과 학습 특징 벡터 간의 레지듀얼이 획득될 수 있다.

제1 기준의 제1 기준 벡터와 제2 기준의 제2 기준 벡터 간의 기준 레지듀얼 및 제1 기준 벡터와 학습 특징 벡터 간의 특징 레지듀얼을 기초로 고강도 학습 파라미터가 계산될 수 있다. 예를 들어, 제1 기준 벡터는 주어진 경향 파라미터에 대응하는 정답을 나타내는 벡터이고, 제2 기준 벡터는 주어진 경향 파라미터와 무관한 경향을 나타내는 벡터일 수 있다.

특징 레지듀얼에 고강도 학습 파라미터가 적용된 레지듀얼 및 제1 기준과 상이한 기준의 기준 벡터 각각과 특징 벡터 간의 레지듀얼을 포함하는 손실 함수를 통해 손실값이 계산될 수 있다.

손실값을 기초로 차량 추천 모델의 파라미터 또는 하나 이상의 기준 벡터가 학습될 수 있다. 학습 장치는 손실값이 작아지거나 커지는 방향으로 차량 추천 모델의 파라미터 또는 하나 이상의 기준 벡터를 학습시킬 수 있다.

학습 장치는 고강도 학습 파라미터를 적용함으로써 뉴럴 네트워크의 정답을 맞히는 능력과 구별 능력을 더욱 향상시킬 수 있다. 예를 들어, 학습 장치는 수학식 3의 손실 함수를 이용할 수 있다. 학습 장치는 제1 기준의 제1 기준 벡터

와 제2 기준의 제2 기준 벡터

간의 기준 레지듀얼

및 제1 기준 벡터

와 특징 벡터

간의 특징 레지듀얼

를 기초로 고강도 학습 파라미터

을 계산할 수 있다. 여기서, 제2 기준 벡터

는 하나 이상의 기준 벡터 중에서 제1 기준 벡터

와 레지듀얼의 차이가 가장 작은 기준 벡터일 수 있다.

기준 레지듀얼

는 수학식 5에 의해 계산될 수 있다. 제1 기준 벡터

와 제j 기준의 제j 기준 벡터 wj의 내적을 코사인 값으로 하는 레지듀얼이 기준 레지듀얼

일 수 있다. 특징 레지듀얼

는 수학식 4에 의해 계산될 수 있다. 제1 기준 벡터

와 특징 벡터

의 내적을 코사인 값으로 하는 레지듀얼이 특징 레지듀얼

일 수 있다.

학습 장치는 고강도 학습 파라미터로서 기준 레지듀얼에 대한 특징 레지듀얼 및 기준 레지듀얼 간의 차이의 비율을 계산할 수 있다. 학습 장치는 수학식 3에 따라 기준 레지듀얼

에 대한 특징 레지듀얼

및 기준 레지듀얼

간의 차이의 비율을 계산할 수 있다. 수학식 3을 참조하면, 특징 레지듀얼이 작을수록 고강도 학습 파라미터는 커지고, 기준 레지듀얼이 클수록 고강도 학습 파라미터가 커진다. 특징 레지듀얼이 작다는 것은 입력 이미지의 특징 벡터와 정답 기준을 의미하는 제1 기준의 제1 기준 벡터의 유사도가 높다는 것을 의미하며, 입력 이미지가 속한 기준을 잘 맞추는 것을 의미한다. 기준 레지듀얼이 크다는 것은 서로 다른 기준 간의 구별 능력이 크다는 것을 의미한다.

고강도 학습 파라미터로 인해 뉴럴 네트워크의 성능은 열화된 것처럼 인식되고, 학습 장치는 뉴럴 네트워크를 보다 강하게 학습한다. 고강도 학습 파라미터로 인해 수학식 3의 정답항의 삼각함수 내부의 레지듀얼이 클수록 정답항의 비중이 작아지게 되며, 손실 함수의 손실값은 커지게 된다. 이로 인해, 학습 장치는 더욱 과하게 뉴럴 네트워크를 학습하게 되며 고강도 학습 파라미터가 없는 경우보다 학습 효과는 더 높아질 수 있다. 학습이 진행되어 뉴럴 네트워크의 성능이 향상될수록 고강도 학습 파라미터가 커지게 되고, 뉴럴 네트워크의 학습 결과는 더욱 좋아질 수 있다.

도 4는 일 실시예에 따른 차량 추천 방법의 동작을 도시한 흐름도이다.

일 실시예에 따르면, 동작(S401)에서, 사용자 단말기(320)는 어플리케이션의 사용자 계정을 기초로 서버와 통신 세션을 수립할 수 있다.

일 실시예에 따르면, 동작(S402)에서, 서버(310)는 사용자 단말기로부터 수신한 제1 경향 파라미터를 선택하는 제1 선택 입력에 대응하여 리스 차량 추천 모델을 이용하여 리스 차량을 추천하고, 추천된 리스 차량에 대응하는 피드백 데이터를 수신할 수 있다.

일 실시예에 따르면, 동작(S403)에서, 서버(310)는 제1 경향 파라미터 및 피드백 데이터를 이용하여 리스 차량 추천 모델의 출력 레이어에 포함된 경향 파라미터에 대응하는 기준 벡터를 갱신할 수 있다.

일 실시예에 따르면, 동작(S404)에서, 서버(310)는 어플리케이션의 제2 경향 파라미터를 선택하는 제2 선택 입력에 대응하여 사용자 계정의 평균 경향 데이터 및 제2 경향 파라미터를 기초로 리스 차량 추천 모델을 이용하여 리스 차량을 추천할 수 있다.

도 5는 일 실시예에 따른 차량 추천 방법의 동작의 예시를 도시한 흐름도이다.

도 5를 참조하면, 동작(S501)에서, 서버(310)는 사용자 단말기(320)로부터 제1 경향 파라미터를 수신할 수 있다.

동작(S502)에서, 서버(310)는 제1 경향 파라미터에 대응하여 차량 추천 모델을 이용하여 리스 차량을 추천할 수 있다.

동작(S503)에서, 서버(310)는 사용자 계정의 피드백 데이터를 기초로 차량 추천 모델의 기준 벡터를 학습할 수 있다.

동작(S504)에서, 서버(310)는 사용자 단말기(320)로부터 제2 경향 파라미터를 수신할 수 있다.

동작(S510)에서, 서버(310)는 제2 경향 파라미터에 대응하여 차량 추천 모델을 이용하여 리스 차량을 추천할 수 있다.

동작(S511)에서, 서버(310)는 사용자 계정의 평균 경향 데이터 및 복수의 후보 경향 데이터를 전처리할 수 있다.

동작(S512)에서, 서버(310)는 결합 벡터로부터 특징 벡터를 출력할 수 있다.

동작(S513)에서, 서버(310)는 특징 벡터와 기준 벡터를 비교할 수 있다.

동작(S514)에서, 서버(310)는 제2 경향 파라미터에 대응하는 기준 벡터와 가장 가까운 특징 벡터를 선택할 수 있다.

동작(S515)에서, 서버(310)는 선택된 특징 벡터와 기준 벡터의 차이 벡터를 출력할 수 있다.

동작(S516)에서, 서버(310)는 차이 벡터가 임계 기준을 만족하는지 여부를 판단할 수 있다.

차이 벡터가 임계 기준을 만족하는 경우, 동작(S517)에서, 서버(310)는 특징 벡터에 대응하는 후보 경향 데이터에 대응하여 리스 차량을 결정할 수 있다.

차이 벡터가 임계 기준을 만족하지 못하는 경우, 서버(310)는 동작(S514)로 돌아가서 상기 과정을 반복할 수 있다.

도 6은 일 실시예에 따른 차량 추천 모델의 구조 및 학습 과정을 도시한 도면이다.

일 실시예에 따르면, 학습 장치는 선행 레이어(603), 특징 추출부(605), 분류부(607), 고강도 학습 파라미터 계산부(609) 및 손실값 계산부(611)를 포함할 수 있다. 특징 추출부(605), 분류부(607), 고강도 학습 파라미터 계산부(609) 및 손실값 계산부(611)는 각각 하나 이상의 레이어로 구성될 수 있다. 선행 레이어(603), 특징 추출부(605), 분류부(607), 고강도 학습 파라미터 계산부(609) 및 손실값 계산부(611)는 하나의 뉴럴 네트워크에 포함될 수도 있고 별도의 객체로 구성될 수도 있다.

분류부(607)는 복수의 기준에 대응하는 복수의 레이어를 포함할 수 있다. 각각의 기준에 대응하는 레이어의 파라미터는 벡터를 형성할 수 있다. 여기서, 각각의 기준에 대응하는 레이어의 벡터는 기준 벡터로 지칭될 수 있다.

학습 장치는 학습 데이터(601)를 입력 받을 수 있다. 학습 데이터(601)는 선행 레이어(603)에 입력될 수 있다. 선행 레이어(603)는 학습 데이터(601)로부터 벡터를 출력할 수 있다. 벡터는 특징 추출부(605)에 입력될 수 있다. 특징 추출부(605)는 특징 벡터를 출력할 수 있다. 특징 벡터(613, 319)는 고강도 학습 파라미터 계산부(609) 및 손실값 계산부(611)로 전달될 수 있다.

일 실시예에 따르면, 특징 벡터는 분류부(607)로 전달될 수 있다. 다른 실시예에 따르면, 선행 레이어(603)로부터 출력된 벡터는 분류부(607)로 전달될 수 있다. 분류부(607)는 특징 벡터의 분류 결과를 출력할 수 있다. 분류 결과(617, 319)는 고강도 학습 파라미터 계산부(609) 및 손실값 계산부(611)로 전달될 수 있다.

고강도 학습 파라미터 계산부(609)는 특징 벡터(613) 및 분류 결과(617)를 기초로 고강도 학습 파라미터를 계산할 수 있다. 학습 장치는 제1 기준의 제1 기준 벡터와 제2 기준의 제2 기준 벡터 간의 기준 레지듀얼 및 제1 기준 벡터와 특징 벡터 간의 특징 레지듀얼을 기초로 고강도 학습 파라미터를 계산한다. 학습 장치는 고강도 학습 파라미터로서 기준 레지듀얼에 대한 특징 레지듀얼 및 기준 레지듀얼 간의 차이의 비율을 계산할 수 있다.

손실값 계산부(611)는 특징 벡터(615), 분류 결과(619), 기준 레이블(623) 및 고강도 학습 파라미터(621)을 기초로 손실값을 계산할 수 있다. 기준 레이블(623)은 정답을 의미한다. 학습 장치는 특징 레지듀얼에 고강도 학습 파라미터가 적용된 레지듀얼을 포함하는 손실 함수를 통해 손실값(625)을 계산할 수 있다. 손실 함수는 제1 기준을 제외한 모든 기준의 특징 레지듀얼에 대한 지수값의 합 및 제1 기준의 특징 레지듀얼에 대한 지수값의 합에 대한 상기 제1 기준의 특징 레지듀얼에 대한 지수값의 비율을 포함할 수 있다. 학습이 진행됨에 따라 고강도 학습 파라미터는 점진적으로 증가되고 학습이 더욱 용이해질 수 있다. 기준 및 학습 데이터 별로 적합한 고강도 학습 파라미터를 결정하고 적용함으로써 학습 장치는 학습의 효과를 더욱 강화할 수 있다.

도 7은 일 실시예에 따른 차량 추천 방법을 수행하는 서버의 구성을 도시한 도면이다.

일 실시예에 따르면, 차량 추천 시스템(300)에 포함되는 서버(310)는 메모리(710), 프로세서(720) 및 통신부(730)을 포함할 수 있다. 사용자 단말기(320)에는 차량 추천 서비스를 제공하는 어플리케이션이 설치될 수 있다.

사용자 단말기(320)는 어플리케이션의 사용자 계정을 기초로 서버(310)의 통신부(730)와 통신 세션을 수립할 수 있다. 서버(310)는 사용자 단말기(320)로부터 수신한 제1 경향 파라미터를 선택하는 제1 선택 입력에 대응하여 차량 추천 모델을 이용하여 차량을 추천할 수 있다.

사용자 단말기(320)는 추천된 차량을 표시하고, 사용자로부터 추천된 차량에 대한 피드백을 수신할 수 있다. 사용자 단말기(320)는 수신된 피드백을 기초로 피드백 데이터를 생성할 수 있다. 통신부(730)는 추천된 차량에 대응하는 피드백 데이터를 수신할 수 있다.

서버(310)는 제1 경향 파라미터 및 피드백 데이터를 이용하여 차량 추천 모델의 출력 레이어에 포함된 경향 파라미터에 대응하는 기준 벡터를 갱신할 수 있다. 서버(310)는 어플리케이션의 제2 경향 파라미터를 선택하는 제2 선택 입력에 대응하여 사용자 계정의 평균 경향 데이터 및 제2 경향 파라미터를 기초로 차량 추천 모델을 이용하여 차량을 추천할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (6)

1. 사용자 단말기에는 차량 추천 서비스를 제공하는 어플리케이션이 설치되고,
   상기 사용자 단말기에 의해, 상기 어플리케이션의 사용자 계정을 기초로 서버와 통신 세션을 수립하는 동작;
   상기 서버에 의해, 상기 사용자 단말기로부터 수신한 제1 경향 파라미터를 선택하는 제1 선택 입력에 대응하여 차량 추천 모델을 이용하여 차량을 추천하고, 상기 추천된 차량에 대응하는 피드백 데이터를 수신하는 동작;
   상기 서버에 의해, 상기 제1 경향 파라미터 및 상기 피드백 데이터를 이용하여 상기 차량 추천 모델의 출력 레이어에 포함된 상기 제1 경향 파라미터에 대응하는 기준 벡터를 갱신하는 동작;
   상기 서버에 의해, 상기 어플리케이션의 제2 경향 파라미터를 선택하는 제2 선택 입력에 대응하여 상기 사용자 계정의 평균 경향 데이터 및 상기 제2 경향 파라미터를 기초로 차량 추천 모델을 이용하여 차량을 추천하는 동작
   을 포함하고,
   상기 평균 경향 데이터는 복수의 분석 파라미터 각각에 대응하는 분석 특징으로 구성되고, 후보 경향 데이터는 복수의 분석 파라미터 각각에 대응하는 후보 특징으로 구성되고,
   상기 차량을 추천하는 동작은,
   상기 평균 경향 데이터를 전처리하여 복수의 후보 경향 데이터 각각에 대응하는 결합 벡터를 출력하는 동작;
   상기 복수의 결합 벡터를 상기 차량 추천 모델에 입력하여 각각의 후보 경향 데이터에 대응하는 특징 벡터를 출력하고, 상기 차량 추천 모델의 출력 레이어에 포함된 복수의 기준 벡터 각각과 상기 각각의 특징 벡터를 비교하는 동작; 및
   상기 복수의 후보 경향 데이터에 대응하는 특징 벡터 중에서, 상기 제2 선택 입력에 대응하는 상기 제2 경향 파라미터에 대응하는 기준 벡터에 가장 가까운 특징 벡터를 출력하는 동작
   을 포함하고,
   상기 차량을 추천하는 동작은,
   상기 제2 경향 파라미터에 대응하는 기준 벡터와 상기 제2 경향 파라미터에 대응하는 기준 벡터에 가장 가까운 특징 벡터 간의 차이 벡터를 계산하는 동작;
   상기 차이 벡터가 임계 기준을 만족하는지 여부를 판단하는 동작; 및
   상기 차이 벡터가 임계 기준을 만족하는 경우, 상기 제2 경향 파라미터에 대응하는 기준 벡터에 가장 가까운 특징 벡터에 대응하는 후보 경향 데이터를 출력하는 동작
   을 더 포함하고,
   [수학식 2]
   

   

   
   기준 벡터를 학습시키기 위한 학습 데이터는 상기 수학식 2를 기초로 먼저 필터링되고, 상기 수학식 2에서, RP는 복수의 선택된 분석 파라미터를 나타내고, n은 자연수로서 RP의 수를 의미하고, an는 상호 대응하는 분석 파라미터에 대한 평균 경향 데이터의 전처리 벡터 및 후보 경향 데이터의 전처리 벡터 간의 변위 벡터의 크기를 의미하는, 차량 추천 방법.
   
2. 제1항에 있어서,
   상기 차량 추천 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고,
   복수의 평균 경향 데이터, 복수의 후보 경향 데이터, 복수의 경향 파라미터 및 각 조합에 대응하는 정답 후보 경향 데이터로 구성된 학습 데이터는 상기 차량 추천 모델의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 차량 추천 모델의 파라미터는 상기 손실값이 작아지는 방향으로 학습되고,
   [수학식]
   

   

   
   상기 손실 함수는 상기 수학식을 따르고,
   상기 수학식에서, N은 상기 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 상기 출력 벡터를 의미하고, E는 손실값을 의미하는,
   차량 추천 방법.
3. 삭제
4. 삭제
5. 삭제
6. 제1항에 있어서,
   상기 차량을 추천하는 동작은,
   상기 출력된 후보 경향 데이터에 대응하는 차량을 결정하는 동작을 더 포함하는,
   차량 추천 방법.

Images